深度光伏超短期预报
计算机视觉与模式识别
2018-10-16 v1
摘要
预测光伏面板的短期功率输出对于智能电网的高效管理是一项重要任务。分钟尺度的短期预报，也称为超短期预报（nowcasting），可受益于由常规相机捕获并安装在太阳能电池板附近的天空图像。然而，从这些图像中估计天气状况——太阳强度、云层外观与运动等——是一项极具挑战性的任务，学界尚未利用传统计算机视觉技术解决。在本工作中，我们提出利用深度学习来学习天空外观与未来光伏功率输出之间的关系。我们训练了多种卷积神经网络变体，以历史光伏功率值和天空图像作为输入，估计极短期未来的光伏功率。具体而言，我们比较了基于以下三种不同架构：多层感知机（MLP）、卷积神经网络（CNN）和长短期记忆（LSTM）模块。我们在日本京都收集的光伏功率值及相应图像数据集上定量评估了我们的方法。实验表明，已在先前工作中类似使用的 MLP 网络在 1 分钟未来光伏功率预测任务上，相对于常用的持续性基线取得了 7% 的 RMSE 技巧分数。我们基于 CNN 的网络将这一成绩提升至 12% 的技巧分数。相比之下，我们的基于 LSTM 的模型能够学习数据中的时间依赖关系，取得了 21% 的 RMSE 技巧分数，从而优于所有其他方法。
引用
@article{arxiv.1810.06327,
title = {Deep Photovoltaic Nowcasting},
author = {Jinsong Zhang and Rodrigo Verschae and Shohei Nobuhara and Jean-François Lalonde},
journal= {arXiv preprint arXiv:1810.06327},
year = {2018}
}
备注
28 pages, 10 figure, 4 tables, preprint accepted to Solar Energy